本文通過以下七部分拆解數據分析：
一、什么場景和行業需要數據分析
二、數據分析會騙人嗎？
三、怎樣排除虛假流量？
四、PC端數據分析指標&方法論
五、電商、金融行業數據分析
六、數據分析的趨勢
七、怎么培養數據分析的能力？
第二部分拆解六、七部分
六、數據分析的趨勢
先進個趨勢，大數據的對面不是小數據，而是深數據。大數據以用戶量級取勝，同樣的營銷和經營打法只適用于固定的一類屬性的人，轉化率不變，分母變大，擴展更多的人群基數，是大數據打法的制勝關鍵。深數據是說限定一個人群，然后把精力放在收集這群人的購物各個階段的數據上，用各種各樣的營銷和經營策略在用戶各個購物階段上進行關懷，提升的是某一個用戶的轉化率，但分母不變，制勝關鍵與大數據打法不同，對一個人購物階段的數據越完整、判斷越精準越好。用戶基數再大總會有天花板，所以后續的競爭會有相當一部分企業尤其是大企業轉向深數據的應用方向。
第二個趨勢，大數據采集的壁壘可能會進一步降低。現在各家采集的數據都是自己使用，不愿意公開，或者是采集標準不同，不相信別人采集數據的準確性。這樣會造成同一個數據源就會被重復采集，既浪費了硬件資源，也浪費了人力資源。其實對于同一個數據來說，只要采集的方法相同，只需要采集一次，共享就可以了。后面隨著數據分析領域的標準化和統一化，數據資源會產生更多交換和交易，在數據采集這個環節會占用更少的精力，從而做更多的數據分析的事情，讓數據能產生更高的價值。
第三個趨勢，我認為數據分析的崗位可能慢慢就會消失了。數據分析崗位的消失在近幾年不會出現，但未來十年內不好說。我認為數據分析的技能對所有互聯網從業者來說，就像對于辦公軟件以及語言的掌握一樣，會成為人人必備的技能。
第四個趨勢，機器學習的發展將最大限度實現程序化數據應用。
目前數據應用的很多環節都在應用機器學習，比如程序化購買、自動化廣告素材優化、智能商品推薦等等，但相互之間是割裂的，還需要人去做各個環節的串聯。機器學習會慢慢替代人來串聯一個一個的程序化模塊，程序化的整體數據應用方案將會覆蓋互聯網領域。
這四個趨勢我認為是我們很快就能夠看得到的。
七、怎么培養數據分析的能力？
先進個建議，方向比努力還要重要。
數據分析并不是一個特別細分的領域，它里面包含了很多的方向。作為一個數據分析的入門者，當你了解了數據分析行業概況之后，你要做的一件事情就是了解這個行業有哪些方向，選擇一個方向深挖。數據分析有三個常見的發展方向。一是數據挖掘；二是數據建模和數據應用；三是商業數據分析。每個方向都不容易到達巔峰，所以盡快確定主攻方向，盡快扎進去有助于迅速成長為一個領域的專家，和其它專家共同協作攻克數據分析領域更前沿的課題。
第二個建議，懂生意比懂數據重要。
一開始我們就談到數據的價值是要最終服務于某個具體業務的，所以要想讓數據發揮更高價值，對于業務知識的掌握是需要重視的，否則數據分析結果和業務存在距離或不能落地，不能實現商業增值，數據就會因此貶值了。
第三個建議，在場景里做分析比理論分析更重要。
先進方面，優化流量。流量并不是跟媒體或用戶斗智斗勇，其本質是面向競爭對手的戰爭，要爭取用同樣的價錢買到更多的流量或者同樣的流量花的錢更少。有時太關注用戶屬性或媒體價格，反而忽略了和競爭對手的博弈關系，這種博弈需要人的參與，單純依靠機器博弈會忽視場景做出錯誤決策。
第二方面，用戶體驗輸出。你面向的是用戶，所以更重要的是你的內容如何跟用戶產生共鳴。并不是說你設計的多漂亮、運行的多流暢，而是涉及到用戶情感和用戶感受層面，這也是量化指標難以駕馭的，需要加入人腦對于場景的理解才能做好。
第四個建議，注重人機協作。
對剛入門的數據分析師，我非常建議把人機協作這件事情提上日程，作為重點學習的方面，善于利用機器的力量代替人的力量，把人解放出來做人更擅長做的事情，人機配合最大化。機器擅長數據清洗、數據建模、數據預警、數據可視化等，所以提升數據分析能力一定是面向未來的，善于讓機器去做它更擅長的事情，人去彌補機器的不足，更高效地完成分析工作，節省下來的時間就用來提升人獨有的能力。
更多推薦
更多推薦
